AI-drevet forudsigelse af hospitalserhvervede infektioner med EPJ
16. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Forudsigelse af hospitalserhvervede infektioner ved hjælp af elektroniske sundhedsjournaler: en AI-assisteret tilgang
Dette er en multicenter, retrospektiv klinisk undersøgelse designet til at evaluere applikationen og effektiviteten af en AI-assisteret forudsigelsesmodel til identifikation og diagnosticering af infektion og udnytte multimodale sundhedsdata.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Hospital erhvervede infektioner (HAIS) er en betydelig årsag til sygelighed og dødelighed i sundhedsmæssige omgivelser.
Tidlig identifikation og forebyggelse af HAI'er er afgørende for at forbedre patientens resultater, reducere omkostninger til sundhedsydelser og forhindre spredning af infektioner.
I klinisk praksis har sundhedsudbydere ofte brug for at integrere en lang række patientdata, herunder medicinsk historie, laboratorieprøvesultater, brug af medicin, kirurgiske procedurer og kliniske observationer, for at vurdere infektionsrisici og forhindre HAI'er.
Efterhånden som infektionsbekæmpelse og præcisionsmedicin bliver stadig vigtigere, er udfordringen stadig at forudsige og forhindre infektioner, især hos patienter med subtile eller asymptomatiske risikofaktorer.
Nylige fremskridt inden for kunstig intelligens og dataanalyseteknikker har vist et stort løfte om at forbedre nøjagtigheden og effektiviteten af infektionsforudsigelse og forebyggelse.
Denne undersøgelse sigter mod at udvikle et AI-assisteret beslutningstagningssystem ved at integrere multimodale data fra elektroniske sundhedsregistre, laboratorieresultater, kliniske observationer og patientdemografi.
Målet er at forbedre den tidlige identifikation af patienter, der er i fare for HAIS, strømline kliniske arbejdsgange og optimere infektionsbekæmpelsesforanstaltninger.
I sidste ende søger dette system at reducere forekomsten af hospital-erhvervede infektioner, forbedre patientsikkerheden og forbedre den samlede sundhedsvæsen.
Undersøgelsestype
Observationel
Tilmelding (Anslået)
1000000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Fei Liu, MD
- Telefonnummer: +86 13810512704
- E-mail: liufei_2359@163.com
Studiesteder
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- First Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Cheng Tang
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- Second Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Sian Liu
- Telefonnummer: +86-0577-88002888
- E-mail: liusan@mail3.sysu.edu.cn
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen består af personer, der har modtaget pleje på deltagende studiecentre.
Deltagerne skal have omfattende elektroniske sundhedsregistre (EHR'er) tilgængelige, herunder medicinsk historie, laboratorietestresultater, behandlingsdata og kliniske observationer.
Både personer, der har udviklet hospital-erhvervede infektioner (HAIS), og dem, der ikke har, vil blive inkluderet i undersøgelsen for at evaluere den AI-assisterede model's forudsigelige evner til infektionsrisiko.
Undersøgelsen vil fokusere på patienter med komplette og dokumenterede plejeposter fra de deltagende centre, hvilket sikrer en forskelligartet kohort til analyse på tværs af forskellige aldersgrupper og infektionstyper.
Beskrivelse
Inklusionskriterier:
- Patienter med komplette og tilgængelige EHR -data, herunder medicinsk historie, laboratorietestresultater, behandlingsregimer, kliniske observationer og infektionshistorie.
- Patienter, der har været indlagt på det deltagende hospital eller sundhedscenter i løbet af undersøgelsesperioden.
- Alle deltagere skal give informeret samtykke til at bruge deres helbredsdata til forskningsformål.
Ekskluderingskriterier:
- Patienter med ufuldstændige eller manglende kritiske EPJ-data, såsom laboratorieresultater, sygehistorie eller behandlingsdetaljer, som er nødvendige for infektionsforudsigelse.
- Patienter, der har alvorlige kognitive lidelser, demens eller tilstande, der forhindrer dem i at give informeret samtykke eller deltage i undersøgelsen.
- Patienter, der ikke har været indlagt på hospitalet i undersøgelsesperioden, eller som kun modtager ambulant behandling.
- Patienter med terminale tilstande, hvor infektionsforudsigelse muligvis ikke er anvendelig til de kliniske mål for undersøgelsen.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Hospitalserhvervet infektionskohorte
Denne gruppe består af patienter, som har udviklet en hospitalserhvervet infektion (HAI) under deres hospitalsophold.
Deltagerne i denne kohorte vil blive brugt til at evaluere effektiviteten af den AI-assisterede prædiktive model til at identificere de risikofaktorer, der fører til hospitalserhvervede infektioner.
Modellen vil blive vurderet ud fra nøjagtigheden af at forudsige infektionsrisici hos indlagte patienter.
Der vil ikke blive ydet specifikke interventioner som en del af denne kohorte ud over den eksisterende praksis for infektionskontrol på hospitalet.
|
Denne intervention involverer et AI-system, der integrerer multimodale data, herunder patientens sygehistorie, laboratorietestresultater, kliniske observationer og behandlingsdata, for at forudsige risikoen for hospitalserhvervede infektioner (HAI'er).
Systemet bruger deep learning-algoritmer til at give nøjagtige forudsigelser i realtid, hvilket muliggør tidlig identifikation af patienter med risiko for infektioner.
Ved at analysere historiske sundhedsdata sigter modellen mod at forudsige potentielle infektionsudviklinger, forbedre tidlig detektion, forebyggelsesstrategier og patientresultater i hospitalsmiljøer.
|
|
Sund kohorte (ingen HAI)
Denne gruppe består af patienter, der ikke har udviklet nogen hospital-erhvervede infektioner under deres hospitalophold.
Deltagere i denne kohort vil fungere som kontrolgruppe til sammenligning mod den eksperimentelle gruppe.
Den AI-assisterede model vil blive evalueret for sin evne til at skelne mellem patienter, der er i fare for at udvikle infektioner og dem, der forbliver infektionsfri under indlæggelse.
Der vil ikke blive tilvejebragt nogen interventioner som en del af denne kohort, da de repræsenterer patienter uden infektionsrelaterede komplikationer.
|
Denne intervention involverer et AI-system, der integrerer multimodale data, herunder patientens sygehistorie, laboratorietestresultater, kliniske observationer og behandlingsdata, for at forudsige risikoen for hospitalserhvervede infektioner (HAI'er).
Systemet bruger deep learning-algoritmer til at give nøjagtige forudsigelser i realtid, hvilket muliggør tidlig identifikation af patienter med risiko for infektioner.
Ved at analysere historiske sundhedsdata sigter modellen mod at forudsige potentielle infektionsudviklinger, forbedre tidlig detektion, forebyggelsesstrategier og patientresultater i hospitalsmiljøer.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Area Under the Curve (AUC)
Tidsramme: 1 år
|
AUC for ROC-kurven, bruges til at kvantificere diagnostisk nøjagtighed.
Ingen enhed (et forhold eller en procentdel, typisk udtrykt som et tal mellem 0 og 1).
|
1 år
|
|
F1 score
Tidsramme: 1 år
|
F1-score er det harmoniske gennemsnit af præcision og følsomhed (genkaldelse).
Det er et godt mål for modellens evne til at identificere både sande positive og minimere falske positive, især i tilfælde, hvor klasserne er ubalancerede (f.eks. når antallet af raske tilfælde er meget højere end sygdomstilfælde).
F1-scoren går fra 0 til 1, hvor 1 indikerer perfekt præcision og genkaldelse.
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhed (ægte positiv sats)
Tidsramme: 1 år
|
Sensitivitet måler, hvor godt AI-modellen identificerer ægte positive tilfælde, såsom korrekt diagnosticering af gravide kvinder med komplikationer eller identifikation af neonatale lidelser.
|
1 år
|
|
Specificitet (sand negativ sats)
Tidsramme: 1 år
|
Specificitet måler AI -modellens evne til korrekt at identificere tilfælde uden sygdomme, hvilket sikrer, at sunde mødre og spædbørn korrekt identificeres som negative.
|
1 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
1. februar 2023
Primær færdiggørelse (Anslået)
1. maj 2025
Studieafslutning (Anslået)
1. maj 2025
Datoer for studieregistrering
Først indsendt
19. januar 2025
Først indsendt, der opfyldte QC-kriterier
19. januar 2025
Først opslået (Faktiske)
24. januar 2025
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
17. april 2025
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
16. april 2025
Sidst verificeret
1. april 2025
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- Hospital-Acquired Infections
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
produkt fremstillet i og eksporteret fra U.S.A.
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .